Impact of AI Disclosure on the Financial Reporting and Performance as Evidence from US Banks
Notice bibliographique
Résumé
Purpose: This study examines the impact of artificial intelligence disclosure within the US banking sector. It may explore the implications of AI disclosure on issues like financial reporting, transparency, accountability, and ethical considerations within the banking sector. Design/methodology/approach: Using a blend of qualitative and quantitative analyses, the researchers utilized SEC and NASDAQ databases to scrutinize AI disclosures within the top 10 banks. The sample comprised 100 annual reports, and through multiple regression analysis, the research discerned a noteworthy enhancement in performance metrics. Findings: The study found that AI influences financial performance only when moderated by the interaction of shareholders, the board of directors, and independent board members. The findings indicate a rising trend of AI disclosure in financial reports. The study indicates that AI disclosure impacts NII, TEXP, and P/E. Additionally, the study indicated a conflict of interest between agents and principals. Large shareholders tended to favor more AI disclosures, whereas the board of directors either did not support or adopted a more conservative stance on disclosure. Research limitations/implications: This study acknowledges a limitation in the dataset; initially comprising 100 annual reports, it was later refined to meet regression analysis assumptions. Despite this limitation, the study’s insightful results contribute significantly to our understanding of the dynamic relationship between AI disclosure and the performance of top-tier banks in the USA. Originality/Value: By investigating the impact of AI disclosure, the study aims to provide insights into the broader considerations associated with artificial intelligence disclosures in the US banking sector. This study also analyzes how stakeholders respond to the disclosed information about artificial intelligence.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,016 | 0,117 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,004 | 0,007 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,003 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».